論文の概要: Explainable Deep Learning for Price-Trade Dynamics: From Black-Box Forecasts to Effective Parametric Models

• arxiv url: http://arxiv.org/abs/2609.06085v1
• Date: Sat, 05 Sep 2026 13:25:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.199888
• Title: Explainable Deep Learning for Price-Trade Dynamics: From Black-Box Forecasts to Effective Parametric Models
• Title（参考訳）: 価格取引ダイナミクスのための説明可能なディープラーニング:ブラックボックス予測から効果的なパラメトリックモデルへ
• Abstract要約: 予測だけでなく、構造発見のためのツールとしてニューラルネットワークを使用します。 支配的な貢献は、最新のラグに集中していることが示されています。 擬似SHAPにインスパイアされた非線形パラメトリックモデルを導入する。
• 参考スコア（独自算出の注目度）: 0.28647133890966986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the joint dynamics of prices and trades is central to market microstructure, where returns and order flow interact through nonlinear and state-dependent mechanisms. Linear models are interpretable but may miss these effects, while deep neural networks improve forecasting at the cost of transparency. We use neural networks as tools for structural discovery rather than only for prediction. A deep feed-forward network is trained on high-frequency returns and signed volumes for large- and small-tick stocks and compared with a linear VAR benchmark. The neural network improves predictive performance, especially for returns, revealing nonlinear dependencies beyond the linear specification. Using Shapley-based explainability, we show that the dominant contributions are concentrated at the most recent lags. Model-implied responses are consistent with conditional averages reconstructed from the data. Unlike empirical averages, however, the neural-network decomposition isolates individual regressor contributions to the aggregate dependence. Lagged signed volume generates sign-preserving and saturating effects, consistent with nonlinear price impact and order-flow persistence. Lagged returns act as state variables: when the previous trade does not move the price, the model predicts continuation in the direction of past order flow, whereas non-zero returns generate attenuation or reversal. Building on these findings, we introduce a parsimonious SHAP-inspired nonlinear parametric model. It reproduces the main return-volume dependencies, outperforms the linear VAR benchmark, and achieves performance comparable to the neural network. A multi-lag extension captures residual longer-memory effects while preserving interpretability. Overall, explainability offers a route from black-box prediction to economically meaningful parametric models of price and trade dynamics.
• Abstract（参考訳）: 価格と取引の合同力学を理解することは市場マイクロ構造の中心であり、リターンと秩序の流れは非線形および状態依存的なメカニズムを通して相互作用する。 線形モデルは解釈可能であるが、これらの効果を見逃す可能性がある。 予測だけでなく、構造発見のためのツールとしてニューラルネットワークを使用します。 ディープフィードフォワードネットワークは、大小株に対する高周波リターンと署名ボリュームに基づいて訓練され、線形VARベンチマークと比較される。 ニューラルネットワークは、特にリターンに対する予測性能を改善し、線形仕様を超えた非線形依存を明らかにする。 シェープリーに基づく説明可能性を用いて、最近のラグに支配的なコントリビューションが集中していることを示す。 モデルにより実装された応答は、データから再構成された条件平均と一致している。 しかし、経験的な平均とは異なり、ニューラルネットワーク分解は集合依存に対する個々の回帰器の寄与を分離する。 タグ付き符号付きボリュームは、非線形価格の影響と秩序-流れの持続性に一致して、符号保存および飽和効果を生成する。 前の取引が価格を動かさない場合、モデルは過去の注文フローの方向に継続を予測し、非ゼロのリターンは減衰または反転を生成する。 これらの知見に基づいて, SHAPにインスパイアされた非線形パラメトリックモデルを導入する。 メインのリターンボリューム依存関係を再現し、線形VARベンチマークを上回っ、ニューラルネットワークに匹敵するパフォーマンスを達成する。 マルチラグ拡張は、解釈可能性を維持しながら、残余の長期メモリ効果をキャプチャする。 全体として、説明可能性とは、ブラックボックス予測から経済的に意味のある価格と貿易力学のパラメトリックモデルへのルートを提供する。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• ANCRe: Adaptive Neural Connection Reassignment for Efficient Depth Scaling [57.91760520589592]
  ネットワークの深度を拡大することは、現代の基礎モデルの成功の背後にある中心的な要因である。 本稿では,ニューラルネットワークの奥行き,すなわち残差接続の既定メカニズムを再考する。 我々は、データから残余接続性をパラメータ化し、学習する原則的かつ軽量なフレームワークである、適応型ニューラルネットワーク再割り当て(ANCRe)を導入する。
  論文  参考訳（メタデータ） (2026-02-09T18:54:18Z)
• Learning a Generative Meta-Model of LLM Activations [75.30161960337892]
  ネットワークの内部状態の分布を学習する"メタモデル"を作成します。 ステアリング介入前に学んだメタモデルを適用することで、損失が減少するにつれて、流速が向上する。 これらの結果は、生成的メタモデルが制限的な構造的仮定を伴わずに、解釈可能性へのスケーラブルな経路を提供することを示唆している。
  論文  参考訳（メタデータ） (2026-02-06T18:59:56Z)
• A Dynamic Approach to Stock Price Prediction: Comparing RNN and Mixture of Experts Models Across Different Volatility Profiles [0.0]
  MoEフレームワークは揮発性株のRNNと安定株の線形モデルを組み合わせて、ゲーティングネットワークを介して各モデルの重量を動的に調整する。 その結果,MoE法は様々な変動性プロファイルの予測精度を著しく向上させることがわかった。 MoEモデルの適応性は個々のモデルよりも優れており、Mean Squared Error(MSE)やMean Absolute Error(MAE)などのエラーを減らすことができる。
  論文  参考訳（メタデータ） (2024-10-04T14:36:21Z)
• GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
  マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。 他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
  論文  参考訳（メタデータ） (2024-09-30T23:53:54Z)
• Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
  より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。 ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。 我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
  論文  参考訳（メタデータ） (2024-04-27T21:57:17Z)
• Inside the black box: Neural network-based real-time prediction of US recessions [0.0]
  長期記憶(LSTM)とゲートリカレントユニット(GRU)は、1967年から2021年までのアメリカの不況をモデル化するために使用される。 シェープ法は、S&P500指数のような重要なリセッション指標を3カ月間予測する。
  論文  参考訳（メタデータ） (2023-10-26T16:58:16Z)
• Explicit Tradeoffs between Adversarial and Natural Distributional Robustness [48.44639585732391]
  実際、モデルは信頼性を確保するために両方のタイプの堅牢さを享受する必要があります。 本研究では, 対角線と自然分布の強靭性の間には, 明らかなトレードオフが存在することを示す。
  論文  参考訳（メタデータ） (2022-09-15T19:58:01Z)
• Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction [7.231134145443057]
  本稿では,CNN-LSTMとXGBoostのハイブリッドモデルを提案する。 このモデルは、複数の期間で株式市場の歴史的情報を完全にマイニングすることができる。 その結果,ハイブリッドモデルの方が有効であり,予測精度が比較的高いことがわかった。
  論文  参考訳（メタデータ） (2022-04-06T07:06:30Z)
• Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
  この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。 回帰フリーモデル更新を制約付き最適化問題に定式化する。 モデルアンサンブルが回帰を減らす方法を実証的に分析します。
  論文  参考訳（メタデータ） (2021-05-07T03:33:00Z)
• LQF: Linear Quadratic Fine-Tuning [114.3840147070712]
  本稿では,非線形微調整に匹敵する性能を実現する事前学習モデルの線形化手法を提案する。 LQFはアーキテクチャの単純な変更、損失関数、そして一般的に分類に使用される最適化で構成されている。
  論文  参考訳（メタデータ） (2020-12-21T06:40:20Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• A Locally Adaptive Interpretable Regression [7.4267694612331905]
  線形回帰は最も解釈可能な予測モデルの一つである。 本稿では,局所適応型解釈型回帰(LoAIR)を導入する。 我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
  論文  参考訳（メタデータ） (2020-05-07T09:26:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。